Action : Apprendre à l’IA à voir

Comment apprendre à une IA à trouver des chats sur des photos?

1. On lui fournit beaucoup de photos. Puisqu’on lui apprend à trouver des chats, il faut beaucoup de photos de chats. Il est tout aussi important d’inclure des photos qui ne contiennent pas de chat, par exemple d’autres animaux.
2. On indique à l’IA quelles photos contiennent des chats, et où ils se trouvent.
3. L’IA repère des schémas. Elle compare les caractéristiques des animaux identifiés et remarque que la plupart des chats ont une queue, des oreilles pointues, deux yeux et du poil.
4. Quand on lui montre une nouvelle photo, elle utilise ce schéma pour trouver les chats. Queue + oreilles pointues + deux yeux + poil = chat!

C’est ce qu’on appelle la détection d’objets.

Activité 6 : Y a-t-il un chat sur cette photo? (3 minutes)

On montre une nouvelle photo à notre IA détectrice de chats. On y voit un animal poilu, avec deux yeux, des oreilles pointues et une queue touffue. C’est un chien husky.

Activité 7 : Le bon outil pour la bonne tâche (4 minutes)

Laquelle de ces photos contient un chat?

1. Un guépard qui boit à un point d’eau
2. Un chat en peluche sur un lit
3. Une citrouille sculptée en forme de tête de chat
4. Un chat domestique endormi sur un divan

Tout dépend de votre définition du mot « chat »! Quand on entraîne une IA, la façon d’étiqueter les données dépend de l’objectif visé.

• Si l’IA est entraînée à surveiller les espèces menacées qui viennent boire à un point d’eau en Afrique, vous étiquetteriez le guépard comme un chat, mais la peluche et la citrouille comme n’étant PAS des chats.
• Si l’IA est entraînée à retrouver des animaux perdus à l’aide des caméras de circulation d’une ville, seul le chat domestique compte. Les autres ne sont pas des animaux à secourir.
• Si l’IA est entraînée à chercher des images de chats dans une photothèque, vous voudriez probablement obtenir les quatre photos.

Si vous utilisez une IA sans connaître son objectif ni la façon dont elle a été entraînée, vous risquez d’obtenir des résultats inattendus, parce que votre définition diffère de celle de la personne qui l’a entraînée. Est-ce que cela veut dire que l’IA se trompe? Non. Cela veut dire que vous avez choisi un outil qui ne convient pas à votre tâche.

Chaque IA est entraînée pour une tâche précise

Une balle de baseball et un ballon de basketball sont tous deux des balles, mais on jouerait très mal au baseball avec un ballon de basketball. De la même façon, chaque IA est entraînée pour une tâche précise : quand vous voulez accomplir quelque chose avec l’IA, vous devez donc trouver celle qui convient le mieux.

Voici deux exemples réels de détection d’objets au Canada :

• Le suivi du saumon. On ne peut pas savoir si une pêcherie est durable sans savoir combien de poissons reviennent. Salmon Vision utilise des caméras sous-marines installées dans des dispositifs de comptage gérés par des communautés autochtones sur la côte centrale de la Colombie-Britannique. Un modèle d’IA y reconnaît 12 espèces de poissons avec une exactitude de 80 à 90 %, ce qui permet de suivre les populations de saumon en temps réel. Lire l’article (en anglais).
• Le dénombrement des bélugas. Pêches et Océans Canada a collaboré avec Esri Canada pour entraîner des modèles capables de détecter des bélugas dans les eaux arctiques à partir d’images aériennes, de drone et de satellite, avec une exactitude de 85 à 88 %. Le modèle analyse des milliers d’images en quelques heures, une tâche qui prenait auparavant des mois.